تعداد نشریات | 43 |
تعداد شمارهها | 1,262 |
تعداد مقالات | 15,535 |
تعداد مشاهده مقاله | 51,553,590 |
تعداد دریافت فایل اصل مقاله | 14,493,737 |
مقایسه مدلهای شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره در پیشبینی تغییرات سطح آب زیرزمینی | ||
هیدروژئولوژی | ||
مقاله 10، دوره 4، شماره 1، شهریور 1398، صفحه 126-139 اصل مقاله (1.05 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/hydro.2019.8091 | ||
نویسندگان | ||
نادیا شهرکی1؛ محبوبه یونسی1؛ عبدالله طاهری تیزرو* 2 | ||
1دانشجوی دکتری رشته مهندسی منابع آب، گروه مهندسی علوم آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران | ||
2همدان دانشگاه بوعلی سینا دانشکده کشاورزی کروه مهندسی آب | ||
چکیده | ||
پیشبینی نوسانات سطح آب زیرزمینی، جهت برنامهریزی در مناطق خشک و نیمهخشک امری ضروری است. در این مطالعه برای پیشبینی نوسانات سطح آب زیرزمینی دو پیزومتر واقع در دشت کرمان از مدلهای شبکه عصبی مصنوعی، سری زمانی آریما و رگرسیون خطی چند متغیره استفاده شد. برای دستیابی به این منظور از عمق آب زیرزمینی ماهانه پیزومترهای مذکور طی سالهای 1392 -1381 استفاده گردید. نتایج بررسی حالتهای مختلف مدل سری زمانی آریما نشان داد که مدل سری زمانی آریما (1و1و0) و (2و0و2) برای پیزومتر جنوب باغین و مدل سری زمانی آریما (1و1و1) و (0و0و2) برای پیزومتر اراضی فرودگاه بهترین برازش را با دادهها داشته است. در مدلهای شبکه عصبی مصنوعی MLP و RBF مدل MLP با 2 و 4 لایه پنهان برای پیزومترهای جنوب باغین و مدل RBF با 8 و 10 لایه پنهان برای پیزومترهای اراضی فرودگاه بهترین برازش را با دادهها داشتهاند. در مدلسازی با روش رگرسیون خطی چندمتغیره، برای هر دو پیزومتر بهترین روابط مدل رگرسیون خطی چندمتغیره به دست آمده نشان داد که رابطه رگرسیون خطی چندمتغیره عمق آب زیرزمینی ماه فعلی تابعی از عمق آب زیرزمینی یک ماه قبل است؛ به عبارت دیگر عمق آب زیرزمینی، بیشترین وابستگی را به عمق آب زیرزمینی ماه قبل دارد. نتایج آزمون معیار خطا و همچنین نتایج مقایسه مقادیر پیشبینی مدلهای MLP، RBF ، ARIMA، و مدل رگرسیون خطی چند متغیره با مقادیر واقعی پیزومترها نشان داد، که پیشبینی عمق آب زیرزمینی به وسیله مدل رگرسیون خطی چندمتغیره از مدلهای شبکه عصبی و سری زمانی آریما بهتر بوده است. | ||
کلیدواژهها | ||
آریما؛ اراضی فرودگاه؛ جنوب باغین؛ رگرسیون خطی چندمتغیره؛ شبکه عصبی مصنوعی | ||
مراجع | ||
باباعلی، ح. ر.، دهقانی، ر.، 1396. مقایسه مدلهای شبکه عصبی موجک و شبکه عصبی مصنوعی در پیشبینی سطح آب زیرزمینی. هیدروژئولوژی، جلد 2، شماره 2، 108-96. رجایی، ط.، ابراهیمی، ه.، 1392. مدلسازی نوسانهای ماهانه آب زیرزمینی به وسیله تبدیل موجک و شبکه عصبی پویا. مدیریت آب و آبیاری. جلد 4. شماره 1. 87-83. رجایی، ط.، زینیوند، ف. الف.، 1393. مدلسازی تراز آب زیرزمینی با بهرهگیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریفآباد)، نشریه مهندسی عمران و محیط زیست، جلد 44، شماره 4، 65-51. رجایی، ط.، میرباقری، الف.، 1388. مدل بار معلقرودخانهها با استفاده از شبکههای عصبی مصنوعی. نشریه مهندسی عمران. جلد 21. شماره1. 43- 27. عبدالهزاده، م.، فاخریفرد، الف.، اسدی، الف.، ناظمی، الف. ح.، 1394. مدلبندی اثرات مصرف بارش بر نوسانات تراز سطح ایستابی (مطالعه موردی: آبخوان دشت عجبشیر). نشریه دانش آب و خاک. جلد 26. شماره 1. 97-83. محتشم، م.، دهقانی، الف. الف.، اکبرپور، الف.، مفتاح هلقی، م.، اعتباری، ب.، 1389. پیشبینی سطح ایستابی با استفادهاز شبکه عصبی مصنوعی (مطالعه موردی: دشتبیرجند). آبیاری و زهکشی ایران. جلد 4. شماره 1. 10-1. میر عربی، ع.، نخعی، م.، 1387.پیشبینی نوسانات سطح آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی. مجموعه مقالات دوازدهمین همایش انجمن زمینشناسی ایران. اهواز. ایران. ندیری، ع. ا.، نادری، ک.، اصغری مقدم، ا.، حبیبی، م. ح.، 1395 پیشبینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روشهای مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). نشریه جغرافیا و برنامهریزی. جلد 20. شماره 58. 301-281. نیکبخت، ج.، ذوالفقاری، م.، نجیب، م.، 1395. پیشبینی سطح آب زیرزمینی دشت تسوج آذربایجان شرقی با کوک شبکههای عصبی مصنوعی. هیدروژئولوژی. جلد 1. شماره 2. 115-99. نیکمنش، م.، رخشندهرو، غ.، 1390. ارزیابی توانایی شبکههای مختلف عصبی مصنوعی در پیشبینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس. تحقیقات منابع آب ایران. جلد 7. شماره 1. 86-82. Adamowski, J., Chan, F. H. 2011. A waveletneural network conjunction model forgroundwater level forecasting. Journal of Hydrology. 407(1- 4): 28–40.
Bahmani, A., Ebrahimi, S.H., Gholinejad, S. 2006. Development of rainfall-runoff ANN model for watershed and investigation its extend ability for neighborhood stations. 2nd conference of water resource management. 22-23 January. Isfahan university of technology. 1-8.
Box, G.E.P., Jenkins, G.M., 1976. Time series analysis forecasting and control. 2nd ED. Holden-Day. San Francisco. 575p.
Box, G.E.P., Jenkins, G.M., Reinsel, G.C., 2008. Time series analysis, forecasting and control. 4th ED. Englewood Cliffs. New Jersey: Prentice Hall. 688p.
Cybenko, G., 1989. Approximation by super positions of a sigmoid function, Mathematics of Control, Signals and Systems. Journal of Mathematics. 2: 303-314.
Dibike, Y.B., Solomatin, D.P., Abbot, M. B., 1999. On the encapsulation of numerical- Hydrulic models in artificial neural networks. hydraulic research. 37(2): 147-161.
Djurovic, N., Domazet, N., Stricevic, R., Pocuca, V.,Spalevic, V., Pivic, R., Gregoric, E., Domazet, U., 2015. Comparison of groundwater level modelsbased on artificial neural networks and ANFIS.The Scientific World Journal. 2015: 1-14.
Hecht- Nielson, R., 1989. Kolmogorov's Mapping Neural Network Existence Theorem. 1st International Symposium on Neural Networks San Diego.
Husna, NEA., Hefzul bari, S., Shouroy, H., Rahman, T., 2016. Ground water level prediction using artificial neural network. International Journal of Hydrology Science and Technology. 6(4): 371-381. | ||
آمار تعداد مشاهده مقاله: 742 تعداد دریافت فایل اصل مقاله: 452 |